ECONOMETRIA

Departamento de Economia-UFPEL
Lista 3
Prof. Daniel Uhr

1. Responda se verdadeiro, falso ou incerto, justificando:

(a) A heterecedasticidade gera estimativas inconsistentes, pois a variância do erro depende das variáveis
explicativas do modelo.
(b) Apesar da perfeita multicolinearidade, os estimadores de MQO são BLUE.
(c) Nos casos de alta multicolinearidade, não é possı́vel avaliar a significância individual de um ou mais
coeficientes de regressão parcial.
(d) Se uma regressão auxiliar mostra que um determinado Ri2 é alto, há uma clara evidência de alta
colinearidade.
(e) Correlações par a par altas não sugerem que haja multicolinearidade alta.
(f ) Na regressão de Y sobre X2 e X3 suponha que haja pouca variabilidade nos valores de X3 . Isto
aumenta a var(βb3 ).
2. Explique o que esta sendo testado (hipótese nula e alternativa, e forma de cálculo do teste) ao fazermos:
(a) Teste Breusch-Pagan
(b) Teste White
3. Explique em que condições omitir uma variável explicativa relevante não irá viesar as estimativas dos
coeficientes das outras variáveis explicativas.
4. Considere o seguinte modelo:
ln(renda)= 0,417 -0,294sexo +0,080educ +0,029exper -0,00058exper2 +u
(0,099) (0,036) (0,007) (0,005) (0,00010)
R2 =0,441
n=526
em que sexo é uma variável dicotômica (1 se homem, e 0 caso contrário), educ representa a escolaridade
medida em anos de estudo completos, exper é a experiência profissional, medida em anos. Os números
entre parênteses são os erros-padrão das estimativas. Com base nos resultados, responda:

(a) Interprete R2
(b) Interprete o coeficiente da variável sexo.
(c) Teste a significância da variável educ, usando a aproximação na Normal da tabela t.
5. (ANPEC 2008) Considere a regressão multipla:

y = β0 + β1 x1 + β2 x2 + β3 x3 + u

cujos parâmetros tenham sido estimados pelo método dos mı́nimos quadrados ordinários. Julgue se as
afirmativas são verdadeiras ou falsas, justificando:
(a) Se E(u|x1 , x2 , x3 ) = 0 e o modelo não é perfeitamente colinear, então os estimadores não são viesados.
(b) Se o R2 = 1, então y é uma combinação linear de x1 , x2 ex3 .
(c) O R2 ajustado aumenta ao se incluir uma variável adicional, caso tal variável seja significativa ao
nı́vel de 5%.
(d) Se o modelo satisfaz as hipóteses do teorema de Gauss-Markov, então β
c1 é o estimador linear não
viesado de β1 com menor variância possı́vel.
(e) Se omitirmos x3 da regressão, os estimadores de β0 , β1 , β2 podem ser viesados.

1
6. Considere o modelo abaixo em que o (log) preço das ações de empresas petrolı́feras (LN.PT) é previsto
usando o (log) lucro por ação contábil publicado (LN.LT) e o log das reservas totais (LN.REST). N = 223

Variable Coefficient Std. Error t-Statistic Prob.

C 3,070720 0,196329 15,64071 0,0000
LN.LT 0,700079 0,037340 XXXXX 0,0000
LN.REST 0,187942 0,037527 XXXXX 0,0000
R-squared 0,867511 F-statistic XXXXX
Adjusted R-squared 0,866307 Prob(F-Statistic) XXXXX
Sum squared resit 53,77000

(a) Interprete o coeficiente estimado em 0,187942.

(b) Interprete o R2 da regressão.
(c) Qual sua conclusão para a hipótese: coeficiêntes LN.LT e LN.REST iguais a zero?
(d) O que você espera que aconteça com o R2 ajustado se a variável LN.LT for excluı́da do modelo?
(e) Teste a hipótese de que o preço da ação depende apenas dos lucros por ação.
(f ) O modelo acima foi re-estimado excluindo os lucros totais:

Variable Coefficient Std. Error t-Statistic Prob.

C 4,264201 0,297953 14,31164 0,0000
LN.REST 0,750933 0,036499 20,57417 0,0000
R-squared 0,655972 Mean dependent var 10,29576

Explique por que o coeficiênte das reservas mudou.